Apprentissage automatique (AA)<\/strong> : Des algorithmes qui apprennent \u00e0 partir de donn\u00e9es structur\u00e9es afin de pr\u00e9dire des r\u00e9sultats et de d\u00e9couvrir des tendances dans ces donn\u00e9es.<\/p>\n\n\n\n Apprentissage profond (AP)<\/strong> : Des algorithmes fond\u00e9s sur des r\u00e9seaux de neurones hautement complexes qui imitent le fonctionnement du cerveau humain afin de d\u00e9tecter des tendances dans de vastes ensembles de donn\u00e9es non structur\u00e9es.<\/p>\n\n\n\n Cet article pr\u00e9sente les diff\u00e9rences et les liens entre l’intelligence artificielle, l’apprentissage automatique et l’apprentissage profond. Nous aborderons \u00e9galement des exemples de situations o\u00f9 il convient d’utiliser l’AA ou l’AP, ainsi que les avantages de privil\u00e9gier l’un plut\u00f4t que l’autre.<\/p>\n\n\n\n Pour commencer, examinons le lien qui unit l’intelligence artificielle (IA), l’apprentissage automatique (AA) et l’apprentissage profond (AP). Puisque ces trois \u00e9l\u00e9ments sont interreli\u00e9s (c’est-\u00e0-dire qu’on ne peut avoir l’un sans l’autre), il est essentiel de comprendre leur relation avant d’analyser chaque \u00e9l\u00e9ment individuellement.<\/p>\n\n\n\n Le texte de l’image se lit comme suit : Intelligence artificielle (IA) : Le d\u00e9veloppement de machines capables d’imiter l’intelligence et le comportement humains. Apprentissage automatique (AA) : Des algorithmes qui apprennent \u00e0 partir de donn\u00e9es afin de pr\u00e9dire des r\u00e9sultats et de d\u00e9couvrir des tendances dans ces donn\u00e9es. Apprentissage profond (AP) : D\u00e9composer les t\u00e2ches en \u00e9l\u00e9ments pr\u00e9cis et enseigner aux machines \u00e0 l’aide de donn\u00e9es non structur\u00e9es. Image fournie par CENGN.<\/p>\n\n\n\n L’apprentissage automatique est une sous-cat\u00e9gorie de l’IA, et l’apprentissage profond est une sous-cat\u00e9gorie de l’AA, ce qui signifie qu’ils sont tous deux des formes d’IA.<\/p>\n\n\n\n L’intelligence artificielle est le concept g\u00e9n\u00e9ral selon lequel les machines peuvent ex\u00e9cuter des t\u00e2ches de fa\u00e7on intelligente en imitant les comportements et les processus de r\u00e9flexion humains.<\/p>\n\n\n\n L’apprentissage automatique, un sous-ensemble de l’IA, repose sur l’id\u00e9e que les machines peuvent apprendre et s’adapter gr\u00e2ce \u00e0 des exp\u00e9riences et \u00e0 des donn\u00e9es afin d’accomplir des t\u00e2ches pr\u00e9cises (Source : sas<\/a>). Par exemple, la pr\u00e9vision m\u00e9t\u00e9orologique des sept prochains jours \u00e0 partir de donn\u00e9es de l’ann\u00e9e pr\u00e9c\u00e9dente et de la semaine pr\u00e9c\u00e9dente. Chaque jour, les donn\u00e9es de l’ann\u00e9e\/de la semaine pr\u00e9c\u00e9dente changent, et le mod\u00e8le d’AA doit donc s’adapter aux nouvelles donn\u00e9es.<\/p>\n\n\n\n L’apprentissage profond est un sous-ensemble de l’AA. Les mod\u00e8les d’AP reposent sur des r\u00e9seaux de neurones hautement complexes qui imitent le fonctionnement du cerveau. Gr\u00e2ce \u00e0 de multiples couches d’unit\u00e9s de traitement, l’apprentissage profond va encore plus loin en apprenant des tendances complexes dans de grandes quantit\u00e9s de donn\u00e9es. Par exemple, l’apprentissage profond (combin\u00e9 \u00e0 la vision par ordinateur) permet \u00e0 une voiture autonome de d\u00e9tecter un pi\u00e9ton qui traverse la route.<\/p>\n\n\n\n Maintenant que nous en savons plus sur le lien entre l’IA, l’AA et l’AP, examinons chacun de ces \u00e9l\u00e9ments individuellement.<\/p>\n\n\n\n L’intelligence artificielle, ou IA, recr\u00e9e l’intelligence et le comportement humains \u00e0 l’aide d’algorithmes, de donn\u00e9es et de mod\u00e8les. L’IA permet de pr\u00e9dire, d’automatiser et d’accomplir des t\u00e2ches g\u00e9n\u00e9ralement effectu\u00e9es par des humains, avec une plus grande pr\u00e9cision, un biais r\u00e9duit ainsi que des \u00e9conomies de co\u00fbts et de temps.<\/p>\n\n\n\n L’intelligence artificielle est utilis\u00e9e lorsqu’une machine accomplit une t\u00e2che en faisant appel \u00e0 l’intellect et aux comportements humains. Par exemple, Roomba, l’aspirateur robotis\u00e9 intelligent, utilise l’IA pour analyser la taille de la pi\u00e8ce, les obstacles et les trajets possibles. Tout comme un \u00eatre humain qui tiendrait compte de ces renseignements, Roomba conserve ensuite cette information et cr\u00e9e le trajet le plus efficace pour passer l’aspirateur (Source : BuiltIn<\/a>).<\/p>\n\n\n\n Vous souhaitez un autre exemple?<\/p>\n\n\n\n D\u00e9couvrez comment l’intelligence artificielle influence l’avenir des services de sant\u00e9 mentale<\/a> ou le nouveau r\u00f4le qu’elle joue dans le recrutement<\/a>.<\/p>\n\n\n\n Maintenant que nous comprenons mieux l’intelligence artificielle, examinons l’apprentissage automatique et l’apprentissage profond.<\/p>\n\n\n\n L’apprentissage automatique, ou AA, est un type d’IA qui utilise des algorithmes pour apprendre \u00e0 partir de donn\u00e9es afin d’en d\u00e9gager le sens ou de pr\u00e9dire une tendance. L’apprentissage automatique fait appel \u00e0 des m\u00e9thodes issues des r\u00e9seaux de neurones, des statistiques, de la recherche op\u00e9rationnelle et de la physique pour d\u00e9couvrir des renseignements cach\u00e9s dans les donn\u00e9es sans qu’on lui indique o\u00f9 chercher ni quoi conclure (Source : sas<\/a>). Par exemple, l’apprentissage automatique sert \u00e0 d\u00e9velopper des processus de traitement autoapprenants, o\u00f9 un logiciel re\u00e7oit des instructions pour accomplir une t\u00e2che pr\u00e9cise. La machine est ensuite entra\u00een\u00e9e et apprend \u00e0 effectuer le travail en analysant les donn\u00e9es et les algorithmes pertinents, ce qui lui permet de comprendre comment accomplir la t\u00e2che, puis d’am\u00e9liorer son rendement.<\/p>\n\n\n La r\u00e9gularisation est une forme de r\u00e9gression dans laquelle les estimations des coefficients sont contraintes ou r\u00e9duites vers z\u00e9ro (Source : Towards Data Science<\/a>). Elle aide la machine \u00e0 \u00e9viter le risque de surapprentissage, qui peut entra\u00eener une faible pr\u00e9cision dans les pr\u00e9dictions. En cas de surapprentissage, le mod\u00e8le consacre trop d’efforts \u00e0 comprendre le bruit superflu (ou les points de donn\u00e9es non pertinents) dans l’ensemble de donn\u00e9es. Les mod\u00e8les d’apprentissage automatique traitent souvent de grands ensembles de donn\u00e9es; la r\u00e9gularisation sert donc \u00e0 \u00e9liminer le bruit dans l’ensemble de donn\u00e9es afin de produire des r\u00e9ponses plus pr\u00e9cises.<\/p>\n\n\n\n Utilisez l’apprentissage automatique lorsque vous souhaitez enseigner \u00e0 un mod\u00e8le comment accomplir une t\u00e2che, comme pr\u00e9dire un r\u00e9sultat ou d\u00e9couvrir une tendance \u00e0 l’aide de donn\u00e9es structur\u00e9es (voir Donn\u00e9es structur\u00e9es et non structur\u00e9es pour les d\u00e9finitions<\/a>). Par exemple, Spotify cr\u00e9e une liste de lecture personnalis\u00e9e en fonction de vos chansons pr\u00e9f\u00e9r\u00e9es et des donn\u00e9es provenant d’autres utilisateurs ayant des go\u00fbts similaires.<\/p>\n\n\n\n Les donn\u00e9es structur\u00e9es (donn\u00e9es quantitatives) sont des donn\u00e9es organis\u00e9es, d\u00e9chiffrables par les algorithmes d’AA, faciles \u00e0 utiliser par les entreprises et accessibles par un plus grand nombre d’outils que les donn\u00e9es non structur\u00e9es. Ce type de donn\u00e9es poss\u00e8de un format pr\u00e9d\u00e9fini, ce qui limite sa flexibilit\u00e9 et ses cas d’utilisation. Les num\u00e9ros de t\u00e9l\u00e9phone, les dates, les noms de clients et les noms de produits en sont des exemples.<\/p>\n\n\n\n Les donn\u00e9es non structur\u00e9es (donn\u00e9es qualitatives) sont g\u00e9n\u00e9ralement faciles et peu co\u00fbteuses \u00e0 stocker, et peuvent \u00eatre utilis\u00e9es dans diff\u00e9rents formats puisqu’elles n’ont pas de but d\u00e9fini. Cependant, comme ce type de donn\u00e9es se pr\u00e9sente sous diverses formes, il est difficile \u00e0 analyser et \u00e0 exploiter. L’AP est couramment utilis\u00e9 pour les donn\u00e9es non structur\u00e9es et constitue la meilleure option pour les cas d’utilisation les plus complexes. Les photos, les fichiers audio et les fichiers vid\u00e9o en sont des exemples.<\/p>\n\n\n\n Les entreprises obtiennent des renseignements pr\u00e9cis et significatifs lorsqu’elles int\u00e8grent l’apprentissage automatique \u00e0 leur analyse de donn\u00e9es afin de pr\u00e9voir des facteurs comme les tendances du march\u00e9 et les habitudes d’achat des consommateurs. Cela permet aux entreprises de r\u00e9duire leurs co\u00fbts et de mieux g\u00e9rer leurs stocks. L’AA peut \u00e9galement indiquer d’autres \u00e9l\u00e9ments, comme les co\u00fbts de transport, la demande future et les d\u00e9lais de livraison. Dans ce sc\u00e9nario, on privil\u00e9gie l’apprentissage automatique plut\u00f4t que l’apprentissage profond, car les mod\u00e8les d’AA sont mieux outill\u00e9s pour traiter les donn\u00e9es structur\u00e9es utilis\u00e9es en pr\u00e9vision et sont plus efficaces pour pr\u00e9dire les tendances.<\/p>\n\n\n\n Gr\u00e2ce \u00e0 l’apprentissage automatique, les entreprises peuvent r\u00e9duire le temps consacr\u00e9 \u00e0 l’analyse d’ensembles de donn\u00e9es complexes. Les r\u00e9sultats et les t\u00e2ches accomplis par les mod\u00e8les d’apprentissage automatique sont souvent tr\u00e8s fiables et bien ex\u00e9cut\u00e9s. En effet, le mod\u00e8le peut apprendre par lui-m\u00eame en formulant ses propres pr\u00e9dictions et en am\u00e9liorant ses algorithmes, sans intervention humaine. En revanche, un mod\u00e8le d’apprentissage profond n\u00e9cessite une intervention humaine \u00e0 ses d\u00e9buts, car quelqu’un doit examiner ses r\u00e9sultats puisqu’il traite des donn\u00e9es non structur\u00e9es.<\/p>\n\n\n\n Les mod\u00e8les d’apprentissage automatique sont con\u00e7us pour traiter de grands ensembles de donn\u00e9es structur\u00e9es et les analyser afin de d\u00e9couvrir des tendances et des mod\u00e8les que les humains ne remarqueraient pas. Un mod\u00e8le d’apprentissage profond n’est pas recommand\u00e9 dans ce cas, car il n’est pas con\u00e7u pour reconna\u00eetre les tendances et les mod\u00e8les au sein de donn\u00e9es structur\u00e9es.<\/p>\n\n\n\n Les agents conversationnels sont des syst\u00e8mes d’intelligence artificielle conversationnelle entra\u00een\u00e9s par apprentissage automatique afin de fournir la r\u00e9ponse ou l’assistance appropri\u00e9e en fonction des donn\u00e9es saisies. Ces syst\u00e8mes apprennent \u00e0 partir d’exp\u00e9riences pass\u00e9es, comme les questions pos\u00e9es par les visiteurs pr\u00e9c\u00e9dents et les r\u00e9ponses fournies, ainsi qu’\u00e0 partir d’ensembles de donn\u00e9es contenant d’\u00e9ventuelles questions futures et les r\u00e9ponses appropri\u00e9es. Bien que l’apprentissage profond y joue un r\u00f4le, cette fonction pr\u00e9cise consistant \u00e0 fournir des r\u00e9ponses appropri\u00e9es aux questions est propre \u00e0 l’apprentissage automatique, puisqu’elle n\u00e9cessite l’analyse de donn\u00e9es structur\u00e9es.<\/p>\n\n\n\n Les outils \u00e9ducatifs, comme les applications d’apprentissage des langues, utilisent \u00e9galement l’apprentissage automatique. En analysant les donn\u00e9es que vous avez fournies en compl\u00e9tant des sections du cours, l’AA utilise ces connaissances pour adapter le syst\u00e8me \u00e9ducatif \u00e0 vos besoins. L’apprentissage profond ne s’applique pas \u00e0 cette fonction, puisque les applications \u00e9ducatives utilisent principalement des donn\u00e9es structur\u00e9es.<\/p>\n\n\n\n Les recommandations sur les plateformes de diffusion en continu constituent une autre forme d’apprentissage automatique. Le mod\u00e8le d’AA int\u00e9gr\u00e9 \u00e0 ces plateformes analyse les chansons, les films ou les \u00e9missions avec lesquels vous avez interagi dans le pass\u00e9, les compare aux donn\u00e9es d’autres clients ayant des comportements de consommation similaires, puis sugg\u00e8re du contenu suppl\u00e9mentaire susceptible de vous plaire. Encore une fois, cette fonction utilise des donn\u00e9es structur\u00e9es plut\u00f4t que non structur\u00e9es, de sorte que les mod\u00e8les d’apprentissage profond ne peuvent pas \u00eatre appliqu\u00e9s.<\/p>\n\n\n\n Vous souhaitez apprendre \u00e0 cr\u00e9er votre propre algorithme d’apprentissage automatique?<\/p>\n\n\n\n Maintenant que nous avons acquis une compr\u00e9hension de base de l’apprentissage automatique, explorons davantage et d\u00e9couvrons l’apprentissage profond.<\/p>\n\n\n\n L’apprentissage profond est l’\u00e9volution de l’apprentissage automatique et des r\u00e9seaux de neurones. Il fait appel \u00e0 une programmation informatique et \u00e0 un entra\u00eenement avanc\u00e9s afin de comprendre les mod\u00e8les complexes cach\u00e9s dans de grands ensembles de donn\u00e9es (Source : sas<\/a>). L’AP vise \u00e0 comprendre le fonctionnement du cerveau humain dans diff\u00e9rentes situations, puis \u00e0 tenter de reproduire ce comportement (Source : IBM<\/a>). L’apprentissage profond est utilis\u00e9 pour des probl\u00e8mes complexes comme la reconnaissance faciale, la d\u00e9tection de d\u00e9fauts et le traitement d’images.<\/p>\n\n\n\n L’apprentissage profond sert \u00e0 accomplir des t\u00e2ches complexes et \u00e0 entra\u00eener des mod\u00e8les \u00e0 l’aide de donn\u00e9es non structur\u00e9es (voir Donn\u00e9es structur\u00e9es et non structur\u00e9es pour les d\u00e9finition<\/a>s). Par exemple, l’apprentissage profond est couramment utilis\u00e9 dans les t\u00e2ches de classification d’images, comme la reconnaissance faciale. Bien que les mod\u00e8les d’apprentissage automatique puissent \u00e9galement reconna\u00eetre des visages, les mod\u00e8les d’apprentissage profond sont plus pr\u00e9cis. Dans ce cas, il extrait des donn\u00e9es non structur\u00e9es (images de visages) des facteurs comme les diff\u00e9rents traits du visage. Les traits extraits sont ensuite compar\u00e9s \u00e0 ceux enregistr\u00e9s dans une base de donn\u00e9es.<\/p>\n\n\n\n Bien que les mod\u00e8les d’apprentissage automatique puissent traiter diff\u00e9rents types de donn\u00e9es, ils sont limit\u00e9s lorsqu’il s’agit de comprendre des donn\u00e9es non structur\u00e9es (comme l’\u00e9criture manuscrite, les images et les voix). Cela signifie que les connaissances cach\u00e9es dans ces donn\u00e9es peuvent passer inaper\u00e7ues, et c’est l\u00e0 que l’apprentissage profond comble cette lacune. Lorsque les entreprises entra\u00eenent leurs mod\u00e8les d’apprentissage profond, elles doivent le faire \u00e0 l’aide de donn\u00e9es non structur\u00e9es, ce qui peut aider l’entreprise \u00e0 optimiser bon nombre de ses fonctions.<\/p>\n\n\n\n La capacit\u00e9 de l’apprentissage profond \u00e0 traiter simultan\u00e9ment d’\u00e9normes quantit\u00e9s de donn\u00e9es et \u00e0 effectuer des analyses rapidement rend cette approche hautement \u00e9volutive. Une entreprise peut am\u00e9liorer sa productivit\u00e9, sa modularit\u00e9 et sa portabilit\u00e9 gr\u00e2ce \u00e0 l’apprentissage profond. Par exemple, la plateforme Cloud AI de Google peut ex\u00e9cuter des r\u00e9seaux de neurones profonds \u00e0 grande \u00e9chelle sur son infonuagique, en tirant parti de son infrastructure pour dimensionner les pr\u00e9dictions par lots, ce qui am\u00e9liore l’efficacit\u00e9 en ajustant le nombre de n\u0153uds selon les demandes de trafic (Source : Width.a<\/a>i).<\/p>\n\n\n\n Comme les mod\u00e8les d’apprentissage profond prennent mieux en charge les algorithmes parall\u00e8les et distribu\u00e9s, le temps n\u00e9cessaire \u00e0 un mod\u00e8le d’AP pour apprendre les param\u00e8tres pertinents est consid\u00e9rablement r\u00e9duit. Les mod\u00e8les peuvent \u00eatre entra\u00een\u00e9s localement (sur une seule machine); toutefois, le traitement de vastes ensembles de donn\u00e9es devient alors difficile. Les algorithmes parall\u00e8les et distribu\u00e9s permettent de r\u00e9partir les donn\u00e9es (ou le mod\u00e8le) sur plusieurs machines, rendant l’entra\u00eenement plus efficace (Source : Width.ai<\/a>). De plus, les algorithmes parall\u00e8les et distribu\u00e9s acc\u00e9l\u00e8rent le temps n\u00e9cessaire au mod\u00e8le pour apprendre et s’entra\u00eener, ce qui permet \u00e0 l’entreprise d’\u00e9conomiser du temps et de l’argent.<\/p>\n\n\n\n L’apprentissage profond est utilis\u00e9 dans des assistants virtuels comme Alexa et Siri, qui font appel au traitement du langage naturel (TLN). Le TLN analyse et comprend les donn\u00e9es non structur\u00e9es, comme les formes de langage humain (\u00e9crit et verbal). Il analyse \u00e9galement des facteurs comme la reconnaissance du langage, l’analyse des sentiments et la classification de texte, puis g\u00e9n\u00e8re la r\u00e9ponse appropri\u00e9e \u00e0 votre saisie. Lorsqu’on utilise le TLN, il est recommand\u00e9 de faire appel \u00e0 l’apprentissage profond, car il comprend mieux les donn\u00e9es non structur\u00e9es, comme le langage \u00e9crit et verbal, ce qui est utile dans les sc\u00e9narios d’analyse des sentiments.<\/p>\n\n\n\n Les voitures autonomes sont des syst\u00e8mes de prise de d\u00e9cision autonomes qui traitent les donn\u00e9es provenant de multiples capteurs, comme les cam\u00e9ras, le LiDAR, le RADAR et le GPS. Les donn\u00e9es recueillies sont ensuite analys\u00e9es \u00e0 l’aide d’algorithmes d’apprentissage profond afin de produire des d\u00e9cisions pertinentes selon l’environnement du v\u00e9hicule. L’apprentissage profond joue un r\u00f4le dans la perception d’une voiture autonome, car il l’aide \u00e0 reconna\u00eetre et \u00e0 classer les objets, les b\u00e2timents, les \u00eatres, les panneaux de signalisation, les feux de circulation, etc., capt\u00e9s par ses capteurs et ses cam\u00e9ras. L’AP est \u00e9galement utilis\u00e9 pour am\u00e9liorer l’odom\u00e9trie visuelle du v\u00e9hicule, ce qui l’aide \u00e0 calculer sa position et son orientation pendant la navigation (Source : Neptune.ai<\/a>).<\/p>\n\n\n\n L’apprentissage profond est \u00e9galement utilis\u00e9 dans le secteur manufacturier pour am\u00e9liorer la qualit\u00e9. L’entretien de l’\u00e9quipement et des machines repr\u00e9sente une d\u00e9pense importante pour l’industrie manufacturi\u00e8re. Les mod\u00e8les d’apprentissage profond r\u00e9duisent le temps d’arr\u00eat d’une pi\u00e8ce, car ils aident \u00e0 d\u00e9tecter les probl\u00e8mes de qualit\u00e9 gr\u00e2ce \u00e0 la surveillance des processus et \u00e0 la d\u00e9tection des anomalies. Cela permet \u00e0 l’entreprise d’\u00e9conomiser sur les r\u00e9parations impr\u00e9vues, de mieux concevoir son \u00e9quipement, d’am\u00e9liorer la s\u00e9curit\u00e9 des employ\u00e9s et la qualit\u00e9 des produits, et d’accro\u00eetre la productivit\u00e9. Seul l’apprentissage profond peut \u00eatre utilis\u00e9 pour cette fonction, car les mod\u00e8les d’AA sont limit\u00e9s dans le traitement des donn\u00e9es non structur\u00e9es li\u00e9es \u00e0 la surveillance des processus et \u00e0 la d\u00e9tection des anomalies.<\/p>\n\n\n\n L’intelligence artificielle recr\u00e9e l’intelligence et les comportements humains \u00e0 l’aide d’algorithmes, de donn\u00e9es et de mod\u00e8les. L’IA est mise en \u0153uvre lorsqu’une machine accomplit une t\u00e2che en faisant appel aux comportements humains.<\/p>\n\n\n\n L’apprentissage automatique, ou AA, un sous-ensemble de l’IA, utilise des algorithmes pour apprendre \u00e0 partir des donn\u00e9es et en d\u00e9gager le sens ou en pr\u00e9dire les tendances. L’AA est utilis\u00e9 lorsqu’on souhaite enseigner \u00e0 un mod\u00e8le comment pr\u00e9dire un r\u00e9sultat ou d\u00e9couvrir une tendance \u00e0 l’aide de donn\u00e9es structur\u00e9es.<\/p>\n\n\n\n L’apprentissage profond, ou AP, un sous-ensemble de l’AA, est l’\u00e9volution de l’apprentissage automatique et des r\u00e9seaux de neurones. Il fait appel \u00e0 une programmation informatique et \u00e0 un entra\u00eenement avanc\u00e9s afin de comprendre les mod\u00e8les complexes cach\u00e9s dans de grands ensembles de donn\u00e9es, \u00e0 l’image du cerveau humain (Source : sas<\/a>).<\/p>\n\n\n\n CENGN collabore avec de petites et moyennes entreprises technologiques canadiennes en leur offrant un acc\u00e8s gratuit au banc d’essai commercial multi-infonuagique et informatique de calibre commercial de CENGN, afin d’acc\u00e9l\u00e9rer leurs efforts de commercialisation et de mise \u00e0 l’\u00e9chelle.<\/p>\n\n\n\n Need to test your latest artificial intelligence solution?Vous souhaitez tester votre derni\u00e8re solution en intelligence artificielle<\/p>\n\n\n\nLe lien entre l’IA, l’AA et l’AP<\/h2>\n\n\n
![\"Image](\"https:\/\/www.cengn.ca\/wp-content\/uploads\/2022\/10\/AI-ML-and-DL-Comparison-Diagram-1024x683.png\")
<\/figure>\n<\/div>\n\n\nIntelligence artificielle<\/h2>\n\n\n\n
Qu’est-ce que l’intelligence artificielle?<\/h3>\n\n\n\n
Quand utilise-t-on l’intelligence artificielle?<\/h3>\n\n\n\n
Apprentissage automatique<\/h2>\n\n\n\n
Qu’est-ce que l’apprentissage automatique?<\/h3>\n\n\n\n
![\"Image](\"https:\/\/www.cengn.ca\/wp-content\/uploads\/2022\/10\/AI-ML-and-DL-Regularization-1024x685.png\")
<\/figure>\n<\/div>\n\n\nLa r\u00e9gularisation et l’apprentissage automatique<\/h3>\n\n\n\n
Quand utiliser l’apprentissage automatique<\/h3>\n\n\n\n
Structured vs. Unstructured DataDonn\u00e9es structur\u00e9es et non structur\u00e9es<\/h3>\n\n\n
![\"The](\"https:\/\/www.cengn.ca\/wp-content\/uploads\/2022\/10\/AI-ML-and-DL-Structured-vs-Unstructured-data-998x1024.jpg\")
<\/figure>\n<\/div>\n\n\nLes avantages de l’apprentissage automatique<\/h3>\n\n\n\n
Pr\u00e9visions pr\u00e9cises<\/u><\/strong><\/h4>\n\n\n\n
Automatisation<\/u><\/strong> <\/h4>\n\n\n\n
Reconnaissances des tendances et des mod\u00e8les<\/u><\/strong><\/h4>\n\n\n\n
Applications de l’apprentissage automatique<\/h3>\n\n\n
![\"On](\"https:\/\/www.cengn.ca\/wp-content\/uploads\/2022\/10\/AI-ML-and-DL-Chatbot-1024x614.jpg\")
<\/figure>\n<\/div>\n\n\nLes agents conversationnels<\/u><\/strong><\/h4>\n\n\n\n
Outils \u00e9ducatifs<\/u><\/strong><\/h4>\n\n\n\n
Plateformes de diffusion en continu<\/strong><\/u><\/h4>\n\n\n\n
Apprentissage profond<\/h2>\n\n\n
![\"A](\"https:\/\/www.cengn.ca\/wp-content\/uploads\/2022\/10\/AI-ML-and-DL-Brain-DL-1024x799.jpg\")
<\/figure>\n<\/div>\n\n\nQu’est-ce que l’apprentissage profond?<\/h3>\n\n\n\n
Quand utiliser l’apprentissage profond?<\/h3>\n\n\n\n
Les avantages de l’apprentissage profond<\/h3>\n\n\n\n
Traitement efficace des donn\u00e9es non structur\u00e9es<\/u><\/strong><\/h4>\n\n\n\n
\u00c9volutivit\u00e9<\/u><\/strong><\/h4>\n\n\n\n
Algorithmes parall\u00e8les et distribu\u00e9s<\/u><\/strong><\/h4>\n\n\n\n
Applications de l’apprentissage profond<\/h3>\n\n\n\n
Assistants virtuels<\/u><\/strong><\/h4>\n\n\n\n
V\u00e9hicules autonomes<\/u><\/strong><\/h4>\n\n\n\n
Fabrication<\/u><\/strong><\/h4>\n\n\n\n
R\u00e9sum\u00e9 de l’intelligence artificielle, de l’apprentissage automatique et de l’apprentissage profond<\/h2>\n\n\n\n
Une commercialisation plus rapide pour les PME canadiennes en intelligence artificielle<\/h2>\n\n\n\n
\n